深度学习在作物病害图像识别方面应用的研究进展

周惠汝, 吴波明

(中国农业大学植物保护学院, 北京 100193)

在农作物栽培与管理过程中，病害是制约作物品质提高与产量增长的重要因素，而病害的正确诊断又是有效防控病害的必要前提。传统的病害田间诊断都是由人工完成的，由于作物种植区面积比较大，而近年来植保站基层人员紧缺，农户又多缺乏病害识别的相应知识，因此很难实现病害爆发中心的及时准确定位及病情的精确定量监测，给粮食稳产高产增加了风险。由于大范围培训农户病害识别的专业知识和技能耗时耗力，且田间人工诊断作物病害存在易于疲劳和主观误差大等各种局限性，亟需更加方便快捷准确的作物病害诊断方法，以便及时对症下药防控病害，减轻作物生产管理压力。

随着人工智能技术的崛起，利用计算机视觉对作物病害图像进行自动化识别与诊断成为近年国内外一大研究热点。Dhingra等[1]将病害图像识别方法分为七步，依次是病害图像输入、图像预处理、图像分割、特征提取、特征选择、病害分类及表现评估。其中，特征提取与选择在整个病害图像识别过程中至关重要，能够对最终的诊断结果产生直接影响。根据特征提取与选择方法的不同，可以将作物病害图像自动识别技术分为依赖人工提取特征的传统机器学习算法和基于深度学习的病害图像识别两类。传统机器学习存在着两大局限性：第一，其算法是由人工设计提取特征，需要设计者进行大量试验和拥有足够多的专业知识，从而决定哪些特征的选取对于目标任务来说更为合适[2]；……